国产成人久久婷婷精品流白浆,女人和公豬交内谢,午夜漫画

佐治亞理工&都柏林大學Small Methods: 機器學習分析缺陷豐富的PZT薄膜中復雜納米級機電行為

在掃描探針顯微鏡（SPM）技術(shù)中，壓電響應力顯微鏡 (PFM) 是探索鐵電材料極化切換的高效工具。目前，基于機器學習（ML）的 PFM數(shù)據(jù)分析通常僅限于具有特殊機電耦合的材料，通常是塊狀或薄膜單晶。鑒于新興鐵電材料的機電性能較弱，建立可廣泛使用的分析方法至關(guān)重要。

在此，美國佐治亞理工學院Nazanin Bassiri-Gharb、愛爾蘭都柏林大學Brian J. Rodriguez等人結(jié)合使用電子顯微鏡、原子力顯微鏡以及帶激發(fā)壓電光譜與ML 分析，來表征脈沖熱處理的富含缺陷（納米級晶粒尺寸、孔隙率和第二相）的Pb(Zr,Ti)O₃（PZT）薄膜樣品的微觀結(jié)構(gòu)和功能特性。

由于樣本的缺陷性質(zhì)，預計會有大量異常值。因此，在ML分析之前，需要進行適當?shù)臄?shù)據(jù)預處理以及高信息密度和場內(nèi)外壓電響應、場外接觸共振頻率的高維度疊加，這樣能夠區(qū)分鐵電開關(guān)和非鐵電滯后對納米級機電響應的貢獻。

圖1. K均值聚類算法識別的四個貢獻

結(jié)果表明，K均值聚類算法識別出對觀察到響應的四個明顯貢獻，而字典學習（DL）確定了三個貢獻。作者發(fā)現(xiàn)由K均值聚類算法識別的第四個貢獻是其他貢獻的混合（由K均值聚類和DL方法識別），證明了：

1) 異常值去除；

2) 最大化信息密度；

?3)選擇ML方法的重要性，其可以在單個探測點內(nèi)容納多個貢獻。

在機電響應的三個主要貢獻中，兩個分別歸因于鐵電和非鐵電（靜電）現(xiàn)象，而第三個歸因于兩個或多個非鐵電現(xiàn)象的局部重疊。這項工作為增強和穩(wěn)健識別富含缺陷的鐵電體或具有弱壓電貢獻的材料（有機-無機鈣鈦礦、螢石和二維鐵電體）中的壓電響應和滯后行為提供了藍圖。

圖2. DL算法識別的三個貢獻

Maximizing Information: A Machine Learning Approach for Analysis of Complex Nanoscale Electromechanical Behavior in Defect-Rich PZT Films, Small Methods 2021. DOI: 10.1002/smtd.202100552

原創(chuàng)文章，作者：科研小搬磚，如若轉(zhuǎn)載，請注明來源華算科技，注明出處：http://www.zzhhcy.com/index.php/2023/10/15/0839686dc5/

末成年小嫩xb,嫰bbb槡bbbb槡bbbb,免费无人区码卡密,成全高清mv电影免费观看

佐治亞理工&都柏林大學Small Methods: 機器學習分析缺陷豐富的PZT薄膜中復雜納米級機電行為

相關(guān)推薦